Gravei minha voz na cozinha pra clonar e deu ruim: 37 vídeos de e-commerce foram pro lixo

Trinta e sete vídeos prontos na timeline — trilha encaixada, legenda queimada, capa aprovada — e eu sem coragem de publicar nenhum. O problema não era o corte nem a oferta. Era a voz. Todas as peças saíram com aquele timbre abafado, tipo alguém lendo bula de remédio atrás de uma porta fechada.

E o pior: a voz era minha. Ou deveria ser.

A ideia genial que me custou dois dias

Faltava uma semana pra Black Friday. Eu tinha 37 criativos de Mercado Livre e Shopee pra subir e nenhuma locução gravada. Contratar locutor? Caro e sem tempo hábil. Aí pensei: ora, se existe clonagem de voz grátis por aí, eu gravo três minutos e resolvo.

Foi numa terça, quase meia-noite. Celular apoiado na bancada da cozinha, eu lendo o roteiro em voz alta. De fundo: o exaustor ligado, a torneira pingando (ninguém em casa aguenta aquele barulho, mas ninguém levanta pra fechar) e uma obra no prédio do lado que insistia em furar parede.

Subi o arquivo, esperei dois minutos e... saiu aquilo. Final de frase sumindo, respiração toda errada, e quando chegava em "frete grátis pra todo o Brasil" vinha um zumbido por baixo. Igual exaustor. Porque era exaustor.

Joguei no primeiro vídeo, escutei dez segundos e fechei o editor.

O erro não foi o aplicativo

Demorei pra entender uma coisa simples: a ferramenta aprende o timbre a partir do que você manda. E timbre mora na voz limpa, não no meio do barulho.

Se você entrega sujeira junto, ela não tem como adivinhar o que é voz e o que é ruído — aprende tudo como se fosse "parte de você". Resultado: cada áudio gerado depois carrega o exaustor, a torneira e a furadeira de brinde.

Errei em mais três coisas:

  • Amostra curta demais. Três minutos e doze segundos, com duas tosses e uma risada no meio. Pouco material, o modelo chuta. E chute soa exatamente assim: parecido com você, mas você não assinaria embaixo.
  • Microfone do celular, na mão, a 30 cm da boca. Cada movimento virava variação de volume.
  • Não escutei nada antes de gerar em lote. Esse é o pior de todos, e é o único que não tem desculpa técnica.

Refazendo do zero: o que eu mudei

Comecei pelo lugar. Entrei no guarda-roupa, fechei a porta, empilhei dois casacos atrás de mim pra segurar o eco, coloquei o celular em modo avião e deixei ele a um palmo da boca. Oito minutos lendo descrição de produto no tom mais chato possível: "capacidade de 500 ml, inox 316, mantém a temperatura por 12 horas". Sem emoção, sem pressa, sem "e aí, pessoal".

Depois veio o fluxo. Nada de gerar o vídeo inteiro de uma vez. Passei a cortar o roteiro em blocos de 5 a 8 segundos, um por cena. Parece trabalho extra, mas não é: se uma frase sai com a ênfase errada, você regera só aquele pedacinho em vez do vídeo todo.

Com a amostra limpa, a diferença apareceu na hora. A clonagem de voz grátis devolveu um áudio com final de frase seco, sem aquele abafado. Quando falou "12x sem juros", soou como eu falando de verdade. Confesso que fiquei um tempo escutando no repeat, meio bobo.

Nesses meses testei bastante gerador de voz gratuito por aí. Alguns limitam caracteres, outros te colocam numa fila, outros liberam três gerações e já abrem pop-up pedindo upgrade. O VoxClone é o que eu acabei adotando: texto para voz grátis sem limite de caracteres, pelo menos eu nunca esbarrei em aviso de cota. E é o text to speech em português grátis que eu uso no dia a dia.

O melhor pra quem tem pressa é a voz sintética sem cadastro. Não precisei criar conta, confirmar e-mail nem esperar SMS pra gerar um áudio de 20 segundos. Abre e usa.

Hoje eu trato a ferramenta como locução automática gratuita do cotidiano. Escrevo o texto, colo, saio com o áudio em segundos. Não gostei? Troco duas palavras e gero de novo.

"Mas fica igual a um locutor humano?"

Depende do que você quer. Pra ler ficha técnica — medida, peso, material, preço — a diferença é pequena. Agora, se você precisa daquele tom de vendedor animado, de narração com emoção, aí é você quem tem que ajustar a pontuação e o ritmo, ou chamar alguém pra gravar. A narração IA grátis tira o custo da pessoa, mas não tira o custo do julgamento: onde pausar, qual palavra destacar, isso continua sendo decisão sua.

Já usei pra coisa fora do e-commerce também. Fiz um teste de audiolivro com voz IA grátis pra um material interno da equipe e ficou bem aceitável — desde que o texto esteja escrito pra ser lido em voz alta, o que quase nunca está. E tem gente usando dublagem com IA grátis pra adaptar Reels e Shorts; funciona, mas o resultado depende muito de casar o áudio com o corte.

Sobre a palavra "grátis", sem enrolação

Quando resolvi clonar minha voz online, a primeira coisa que procurei foi saber se dava pra testar sem pagar nada. E desconfiei: clonar voz grátis pra sempre? Isso tem cara de isca, na segunda semana vem a cobrança.

Até agora não veio. O texto para voz é aberto, sem login, sem pedir telefone. Tem também uma API de síntese gratuita que eu liguei pra rodar versões de teste em lote dos textos curtos de produto — dá conta do recado.

Só não confunda grátis com mágico. A ferramenta não escreve o roteiro, não sabe onde a sua pausa deveria cair e não olha pro seu corte. Ela converte texto em fala. O resto é seu.

E se você publica de vez em quando, um sintetizador de voz grátis resolve tranquilo. Agora, se você solta dezenas de vídeos por semana como eu, vai precisar de padrão de nome de arquivo e geração em blocos — senão em duas semanas você não sabe mais qual áudio é de qual produto. Fui anotando meus tropeços por aqui; tem material parecido em mais tutoriais.

Perguntas frequentes

Meu ambiente é barulhento. Dá pra limpar o áudio antes de clonar?

Dá, mas não espere milagre. O redutor de ruído não sabe diferenciar o ventilador do seu chiado de voz — ele corta os dois juntos, e aí você perde justamente os detalhes que fazem a voz soar sua. Melhor gravar de novo por cinco minutos. Sem lugar silencioso? Guarda-roupa, porta fechada, roupa empilhada atrás. Esse truque caseiro bate a maioria dos plugins de limpeza.

Qual o tamanho ideal de cada trecho na locução de vídeo de e-commerce?

Corte por cena, 5 a 8 segundos por bloco. Mais longo que isso e fica difícil acertar a ênfase no tempo da imagem; mais curto, a entonação quebra e soa picotado. Gerar em pedaços e juntar na edição dá muito mais controle — e quando algo sai torto, você refaz só aquele pedaço.

Posso usar voz clonada em anúncio comercial?

Leia os termos da plataforma e pense em como você vai usar. Minha regra pessoal: só clono a minha voz ou a de alguém que autorizou por escrito. Nada de voz de famoso, de apresentador ou de áudio achado na internet. Além do risco contratual, tem a LGPD — voz é dado pessoal, e usar a de outra pessoa sem consentimento é problema real, não detalhe. Nessa parte eu não negocio.

Hoje meu processo é sempre o mesmo: guarda-roupa, 8 minutos de amostra limpa, upload, geração em blocos, escuto tudo, jogo no editor e alinho com o corte. As 37 locuções eu refiz em duas noites.

Se você está prestes a gerar 40 áudios de uma vez, para. Gasta cinco minutos num canto silencioso gravando uma amostra decente. É chato, é óbvio, e é literalmente a diferença entre publicar e jogar tudo no lixo — eu aprendi do jeito caro.